【技术实现步骤摘要】
本专利技术涉及计算机图像处理领域，具体涉及一种基于神经网络的结直肠息肉分割方法。
技术介绍
1、结直肠息肉是结直肠癌的主要前体病变，准确分割结直肠息肉在临床诊断和治疗中具有重要意义。近年来，随着计算机视觉和深度学习的快速发展，在医学图像领域涌现出许多先进的技术。其中，卷积神经网络模型被广泛应用，包括全卷积网络(fcn)和u-net等。u-net模型通过将编码网络中低层的语义信息与解码网络中高层的语义信息相结合，实现了多层次特征的融合，从而提高了特征表达能力。此外，使用res2net-50作为结直肠息肉分割网络的编码器也被广泛采用，其强大的特征提取能力为结直肠息肉分割任务增添了新的可能性，进一步提高了准确性和稳定性。实验证明，这些模型在结直肠息肉数据集上取得了显著的分割效果，为结直肠息肉的自动化诊断和治疗提供了有力支持。
2、尽管基于u型的结直肠息肉分割方法取得了一定的成效，但大多数模型缺乏对结直肠息肉形态特征的深入理解。例如，如图1所示，结直肠息肉的颜色和尺寸差异很大，与周围组织的边界模糊分辨不清晰，且在背景中可能存在褶皱或血液等干扰因素。
技术实现思路
1、本专利技术旨在提供一种基于神经网络的结直肠息肉分割方法，该方法能够提高结直肠息肉分割网络的准确性和鲁棒性，为临床医生提供更可靠的辅助诊断工具。
2、本专利技术的技术方案如下：
3、所述的基于神经网络的结直肠息肉分割方法，包括以下步骤：
4、a、构建神经网络，神经网络结构具体如下：
5、包括编码网络、过滤器、解码网络；
6、所述的编码网络包括五个依次连接的残差卷积层；所述的过滤器包括五个级联局部特征融合模块clff、上下文边缘引导模块ceg中；
7、b、原始图像输入编码网络中，依次经过五个残差卷积层处理，得到5个残差卷积处理结果，分别输入过滤器中；
8、c、在过滤器中，五个残差卷积处理结果分别经过1×1卷积处理后，得到卷积结果f1、卷积结果f2、卷积结果f3、卷积结果f4、卷积结果f5；
9、卷积结果f1、卷积结果f2输入第一级联局部特征融合模块clff中处理，得到第一clff处理结果，输入解码网络中；
10、卷积结果f2、卷积结果f3输入第二级联局部特征融合模块clff中处理，得到第二clff处理结果，输入解码网络中；
11、卷积结果f3、卷积结果f4输入第三级联局部特征融合模块clff块中处理，得到第三clff处理结果，输入解码网络中；
12、卷积结果f4、卷积结果f5输入第四级联局部特征融合模块clff中处理，得到第四clff处理结果，输入解码网络中；
13、卷积结果f1、卷积结果f2、卷积结果f3、卷积结果f4、卷积结果f5分别输入上下文边缘引导模块ceg中，得到ceg处理结果，输入解码网络中；
14、d、解码网络对所有输入的结果进行融合后，得到最终分割结果。
15、所述的级联局部特征融合模块clff中处理过程如下：
16、两个输入结果先经过相加融合后，得到第一融合结果，第一融合结果分为两路；
17、第一路第一融合结果依次经过通道注意力模块和1×1卷积块处理后，所得卷积块处理结果分为四路，第一路卷积块处理结果经过空间注意力模块处理，得到空间注意力处理结果，空间注意力处理结果分为三路；
18、第一路空间注意力处理结果与第二路卷积块处理结果相加融合，得到第二融合结果，第二融合结果经过3×3卷积块处理后，与第二融合结果相加融合，得到第三融合结果；
19、第二路空间注意力处理结果经过3×3卷积块处理后，经过3×3卷积处理，所得结果与第三路空间注意力处理结果相加融合，得到第四融合结果；
20、第三路卷积块处理结果经过7×7深度可分离卷积块处理后，与第四路卷积块处理结果相加融合后，经过1×1卷积块处理，得到的卷积结果与第三融合结果、第四融合结果依次经过concat函数、3×3卷积块处理，与第二路第一融合结果经过3×3卷积块处理的结果相加融合，得到输出结果。
21、所述的上下文边缘引导模块ceg中处理过程如下：卷积结果f1、卷积结果f2、卷积结果f3、卷积结果f4、卷积结果f5分别依次经过深度可分离卷积和1×1卷积处理后，所得结果经过concat函数拼接，拼接结果依次经过3×3卷积块、1×1卷积后，分为两路，一路是经过msm块处理后输入解码网络中，另一路代入损失公式计算，得到息肉边界结果，用于辅助解码网络训练。
22、所述的损失公式可表示为：
23、
24、其中gi表示息肉真实边界标签图，pi表示息肉边界预测图。
25、所述的解码网络包括四个多尺度特征优化模块mfo；
26、第四clff结果、卷积结果f5和ceg处理结果输入第四多尺度特征优化模块mfo中，得到第四mfo结果；
27、第三clff结果、第四mfo结果和ceg处理结果输入第三多尺度特征优化模块mfo中，得到第三mfo结果；
28、第二clff结果、第三mfo结果和ceg处理结果输入第二多尺度特征优化模块mfo中，得到第二mfo结果；
29、第一clff结果、第二mfo结果和ceg处理结果输入第一多尺度特征优化模块mfo中，得到第一mfo结果；第一mfo结果即为最终分割结果。
30、所述的多尺度特征优化模块mfo中处理过程如下：
31、两个卷积结果经过相加融合后，经过方向卷积处理得到四个方向的处理结果，四个方向的处理结果经过相加融合后，与ceg处理结果相乘融合，该相乘融合结果分为三路，第一路相乘融合结果依次经过两个7×7卷积块处理，得到7×7卷积块处理结果；第二路相乘融合结果依次经过两个3×3卷积块处理，得到3×3卷积块处理结果；7×7卷积块处理结果与3×3卷积块处理结果经过concat函数拼接后，经过1×1卷积处理，所得结果与第三路相乘融合结果相加融合后，得到输出结果。
32、本专利技术设计了一种用于息肉分割的级联细化网络。该网络包括编码器、过渡器和解码器。编码器负责从输入图像中提取丰富的结构特征，通过多层次的卷积操作实现对结直肠息肉特征的全面捕获。过渡器的设计旨在有效整合跨层相关性，使得网络能够更全面地理解息肉的复杂结构。解码器将经过编码和过渡处理的特征映射恢复为像素级的分割结果，从而实现对结直肠息肉的精确定位和分割。通过引入级联细化网络，旨在提高结直肠息肉分割网络的准确性和鲁棒性，为临床医生提供更可靠的辅助诊断工具，有望在临床实践中发挥重要作用。
33、本专利技术提出的神经网络能够有效提取结直肠息肉的特征信息，从而实现更精确的结直肠息肉分割。与一般的分割网络不同，本专利技术同时考虑了高级特征与低级特征结合，设计了级联局部特征融合模块clff、上下文边缘引导模块ceg、多尺度特征优化模块(mfo)，有助于提高分割的准确性和鲁棒性。通本文档来自技高网...
【技术保护点】
1.一种基于神经网络的结直肠息肉分割方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于神经网络的结直肠息肉分割方法，其特征在于：
3.如权利要求1所述的基于神经网络的结直肠息肉分割方法，其特征在于：
4.如权利要求3所述的基于神经网络的结直肠息肉分割方法，其特征在于：
5.如权利要求1所述的基于神经网络的结直肠息肉分割方法，其特征在于：
6.如权利要求5所述的基于神经网络的结直肠息肉分割方法，其特征在于：
【技术特征摘要】
1.一种基于神经网络的结直肠息肉分割方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于神经网络的结直肠息肉分割方法，其特征在于：
3.如权利要求1所述的基于神经网络的结直肠息肉分割方法，其特征在于：
...【专利技术属性】
技术研发人员：林川，王雄震，杨进林，张家佳，文小兰，李青林，潘勇才，韦艳霞，
申请(专利权)人：广西科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。